CN111176263A - 一种基于bp神经网络的飞行器推力故障在线辨识方法 - Google Patents
一种基于bp神经网络的飞行器推力故障在线辨识方法 Download PDFInfo
- Publication number
- CN111176263A CN111176263A CN202010076043.3A CN202010076043A CN111176263A CN 111176263 A CN111176263 A CN 111176263A CN 202010076043 A CN202010076043 A CN 202010076043A CN 111176263 A CN111176263 A CN 111176263A
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- aircraft
- data
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于BP神经网络的飞行器推力故障在线辨识方法,针对控制系统飞行运动信息进行数据融合生成,并训练BP神经网络,采用训练好的BP神经网络对主发动机故障进行辨识,能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素,建立更加真实可信仿真模型,生成可信的数据样本,对BP神经网络进行训练,本发明可对飞行器推力故障进行实时在线辨识,可准确辨识出哪台发动机故障,以及故障程度。本发明所需计算资源小,可嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。发挥控制系统作用,掌握新的核心技术,解决非致命动力故障导致的飞行失利问题。
Description
技术领域
本发明涉及一种基于BP神经网络的飞行器推力故障在线辨识方法,适用于飞行器飞行过程中典型动力系统故障在线辨识领域。
背景技术
当前飞行器尚不具备推力故障的自主辨识能力,因而导致在非致命故障情况下不具备容错控制的能力。当前故障诊断各类模型及算法在模型精度、建模方式以及适用领域等方面尚存在不足,且缺乏面向飞行器复杂工况和复杂环境应用的系统性和针对性研究。
发明内容
本发明解决的技术问题为:克服现有技术不足,提出一种基于BP神经网络的飞行器推力故障在线辨识方法,针对控制系统飞行运动信息,进行数据融合生成,并训练BP神经网络,采用训练好的BP神经网络对主发动机故障进行辨识,能够有效实现对故障类型的实时准确判别。
本发明通过如下技术方案予以实现:一种基于BP神经网络的飞行器推力故障在线辨识方法,步骤如下:
(1)根据真实飞行器和其所处的环境,构建飞行器六自由度动力学仿真模型;
(2)设定各个仿真偏差组合,将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中;进行步骤(3);
(3)设定各个故障发生时刻与故障程度,将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中;
(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合,得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据,仿真数据包括:加速度、姿态角、姿态角偏差;将不同情况下的仿真数据进行保存;
(5)将不同情况下的仿真数据进行截取,生成数据样本;根据故障发动机编号以及故障程度设计数据标签,并对每个数据样本打标签;如图1所示;
(6)随机取(5)中打完标签的数据的大部分以上划分为训练集,其余部分随机取一半划分验证集,另一半划分为测试集;搭建BP神经网络;
(7)将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练;采用验证集中的数据样本,对训练过程进行测试,当神经网络连续N次在验证集上样本误差不下降时,训练结束,得到训练结果;
(8)采用测试集中的数据样本,对训练结果进行测试,若满足要求,则将训练好的BP神经网络保存,进行步骤(9);若不满足,则调整步骤(6)搭建的BP神经网络,返回步骤(6);
(9)将步骤(8)中保存的BP神经网络嵌入飞行器控制计算机中,使用训练好的BP神经网络,进行故障在线辨识。
优选的,搭建的BP神经网络,结构包含一个单隐层和输出层。
优选的,单隐层共10个神经元,激活函数为Sigmoid函数。
优选的,输出层的共11个神经元。
优选的,输出层神经元个数为总的故障类别数,即步骤(5)中的总标签数,激活函数为softmax函数。
优选的,层与层之间采用全连接方式。
优选的,步骤(6)随机取(5)中打完标签的数据的大部分以上划分为训练集,具体为:随机取(5)中打完标签的数据的2/3以上划分为训练集。
优选的,步骤(7)将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练,具体如下:
训练采用交叉熵作为损失函数,采用梯度下降法进行神经网络参数的更新,更新神经网络的权值和偏置。
优选的,考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩因素,建立飞行器六自由度动力学仿真模型,生成可信的数据样本,对BP神经网络进行训练。
优选的,所建立的BP神经网络为轻量神经网络,所需计算资源小,能够嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。
本发明与现有技术相比具有如下优点:
(1)本发明可对飞行器典型动力系统推力故障进行实时在线辨识,可准确辨识出哪台发动机故障,以及故障程度。
(2)本发明搭建轻量级的神经网络,运算简单,辨识速度快。
(3)本发明所建立的轻量神经网络,所需计算资源小,可嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。
(4)考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素,建立仿真模型,生成的数据样本更加真实可信,有利于实际应用辨识精度的提高。
(5)本发明涉及一种基于BP神经网络的飞行器推力故障在线辨识方法,适用于飞行器飞行过程中典型动力系统推力故障在线辨识领域。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成,并训练BP神经网络,采用训练好的BP神经网络对主发动机故障进行辨识,能够有效实现对故障类型的实时准确建模判别。
(6)本发明考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素,建立更加真实可信仿真模型,生成可信的数据样本,对BP神经网络进行训练.
(7)本发明可对飞行器推力故障进行实时在线辨识,可准确辨识出哪台发动机故障,以及故障程度。本发明搭建轻量级的神经网络,运算简单,辨识速度快。本发明所建立的轻量神经网络,所需计算资源小,可嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。发挥控制系统作用,掌握新的核心技术,解决非致命动力故障导致的飞行失利问题。
附图说明
图1为本发明数据样本生成方案示意图。
图2为本发明训练样本截取方法。
图3为本发明测试样本截取方法。
图4为本发明避免正样本过多的算法。
图5为本发明控制系统组成框图。
图6为本发明涡轮发动机摆角示意图。
图7为本发明的方案示意图。
图8为本发明的BP神经网络结构。
图9为本发明的BP神经网络在测试集上的故障辨识结果。
图10为本发明的飞行辨识结果,具体为1号发动机推力下降,两台相差20%,故障标签为2。
图11为本发明的飞行辨识结果,具体为2号发动机推力下降,两台相差50%,故障标签为10。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明涉及一种基于BP神经网络的飞行器推力故障在线辨识方法,适用于飞行器飞行过程中典型动力系统推力故障在线辨识领域。针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成,并训练BP神经网络,采用训练好的BP神经网络对主发动机故障进行辨识,能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素,建立更加真实可信仿真模型,生成可信的数据样本,对BP神经网络进行训练,本发明可对飞行器推力故障进行实时在线辨识,可准确辨识出哪台发动机故障,以及故障程度。本发明搭建轻量级的神经网络,运算简单,辨识速度快。本发明所建立的轻量神经网络,所需计算资源小,可嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。发挥控制系统作用,掌握新的核心技术,解决非致命动力故障导致的飞行失利问题。
本发明一种基于BP神经网络的飞行器推力故障在线辨识方法,适用于飞行器飞行过程中推力故障在线辨识领域。针对液体主发动机推力下降典型动力故障模式,突破典型动力故障辨识技术,采用飞行器完成关键技术演示验证飞行试验;完成基于神经网络方法的故障辨识方法研究。发挥控制系统作用,掌握新的核心技术,解决非致命动力故障导致的飞行失利问题。进一步提升飞行器自主适应能力和智能化水平,为型号的研制提供技术支撑。
针对控制系统飞行运动信息(如飞行位置、速度、加速度、转速、姿态角、角速度等)进行数据融合生成,并训练BP神经网络,采用训练好的BP神经网络对主发动机故障进行辨识,能够有效实现对故障类型的实时准确建模判别。考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩等因素,建立更加真实可信仿真模型,生成可信的数据样本,对BP神经网络进行训练,本发明可对飞行器推力故障进行实时在线辨识,可准确辨识出哪台发动机故障,以及故障程度。本发明搭建轻量级的神经网络,运算简单,辨识速度快。本发明所建立的轻量神经网络,所需计算资源小,可嵌入现有飞行器的飞行控制计算机,进行飞行过程中的故障实时辨识。
BP神经网络即多层网络的误差反向传播算法(Error Back-PropagationTraining),其原理是基于梯度下降的最优拟合算法,通过调节网络连接权值保证网络误差极小。通常BP神经网络具有三层结构,即输入层、隐含层、输出层。BP神经网络隐含层可以分为单隐含层和多隐含层。多隐含层由多个单隐含层组成,其预测精度较单隐含层更高,对于映射关系复杂且不要求训练速度的应用,可以使用多隐含层的BP神经网络。
本发明中,飞行器优选具有2台发动机,形成的推力合力为总推力,所处的环境为真实低空环境,考虑风扰、气动的影响;
飞行器六自由度动力学仿真模型,优选为:基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型。
飞行器优选为质量约90kg的火箭。其控制系统组成框图如图5所示。制导、姿控按照PID控制律进行设计。
由于飞行器为短时间、低高度、低速度飞行,因此考虑平坦、静止大地,引力加速度按常值计算。
引力加速度方向为铅垂向下,大小为:
g0=9.80665m/s2
在目标系下分解为gx、gy、gz。
此处合力包含推力、气动力,不包含引力。
初始位置:x=0m,y=0m,z=0m
初始速度:vx=0m/s,vy=0m/s,vz=0m/s
初始姿态角速度为0。
涡喷发动机推力调节特性:
发动机最大摆角:10度。
电动舵机动态特性:
惯组动态特性:
该模型其他具体情况见下文具体方案(1)中所述。
偏差组合中包含的偏差,优选包括:质量偏差、质心偏差、转动惯量偏差、风速偏差、风向偏差、发动机流量偏差。按照本发明中的偏差组合可减小数据规模,同时尽可能拟合真实模型,保证了实际辨识精度。
两台发动机编号分别设为1、2。从起飞开始,取发生故障后2s与飞行结束时刻最小值作为仿真结束,每等间隔0.5s设置一次故障发生时刻。故障在2s均匀注入完毕,使得单台发动机推力下降到故障开始注入时刻的相应故障程度。
故障程度,具体是指单台发动机推力的下降程度。故障程度一种方案设为单台故障发动机下降30%-90%,间隔取10%;另一种方案设为单台故障发动机下降10%-30%,间隔取5%。
通过模型仿真生成的仿真数据中加速度为目标系下XT、YT、ZT三个方向的加速度;姿态角为目标系下的俯仰角、偏航角、滚动角;姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。
步骤(5)根据飞行器有无推力故障、故障发动机编号以及故障程度,设计数据标签,第一种优选方案具体如下:标签0表示推力正常,即无故障情形;1-7分别为1号发动机下降30%-90%;8-14分别为2号发动机下降30%-90%,间隔取10%。
标签设置表格如下:
根据飞行器有无推力故障、故障发动机编号以及故障程度,设计数据标签,第二种优选具体方案如下:
标签0表示推力正常,即无故障情形;1-5分别为1号发动机下降10%-30%;6-10分别为2号发动机下降10%-30%,间隔取5%。
标签设置表格如下:
步骤(5)将不同情况下的仿真数据进行截取,生成数据样本,优选方案具体为:训练样本截取流程为附图2,测试样本截取流程为附图3,图2、图3中横坐标t为飞行时刻,纵坐标y表示获取的仿真数据,其可为加速度、姿态角或姿态角偏差,L为样本长度大小,I为两个相邻样本的重叠大小,tfault为故障注入时间,tend为仿真结束时间。
按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20,即180维状态量。
设t1到t2时间内共有n个样本,每个样本的长度为L,样本间的交叠长度为I,则:
对于第k个样本:设k=1,2,…,n,
第k个样本的起始行与终止行:
若截取正样本,则上式中:
t1=0
t2=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend为仿真结束时间。
本次试验中,各参数取值如下表:
参数类型 | 值 | 单位 |
L | 1 | s |
I | 0.8 | s |
t<sub>fault</sub> | 1-20s内每隔0.5s注入一次为单次仿真 | s |
t<sub>end</sub> | 实际上升段飞行结束时刻与t<sub>fault</sub>+2的最小值 | s |
步骤(5)将不同情况下的仿真数据进行截取,生成数据样本,优选方案为:设定避免正样本过多的算法,算法流程参见附图4,采用该算法进行截取,生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻,且故障程度为当前偏差组合下的最后的档位。若是,则截取正样本与负样本;否则,只截取负样本。
BP神经网络还包括输入层,输入层即输入的数据,其维数即数据样本的维数,此次试验为1*180。
Sigmoid函数优选如下:
x为本神经网络层神经元的线性结果,使用参数α=1。
训练采用交叉熵作为损失函数,采用梯度下降方式法进行神经网络参数的更新,
多分类的交叉熵表达式优选如下:
上式中,M为总类别数量;yc为指示变量,若输出类别与样本类别相同,则为1,否则为0;pc为输出类别属于c的预测概率。
训练结果为网络参数;网络参数包括神经网络每一层的权重和偏置。
采用测试集中的数据样本,对训练完的神经网络进行测试。若在测试集上分类正确率大于或等于90%,则认为满足要求,可进入步骤(10);否则返回步骤(4)。
步骤(8)调整步骤(6)搭建的BP神经网络中的隐层个数,以及每个隐层中的神经元数量。
本发明的一种基于BP神经网络的飞行器推力故障在线辨识方法,进一步的优选方案步骤如下:
(1)根据真实飞行器和其所处的环境,构建飞行器六自由度动力学仿真模型,优选方案如下:
飞行器优选具有2台发动机,形成的推力合力为总推力,所处的环境为真实大气环境,考虑风、结构干扰、气动的影响;
仿真模型故障注入方式为,从起飞开始,每隔0.5s注入一次故障,进行一次仿真。故障在2s均匀注入完毕,使得单台发动机推力下降到故障开始注入时刻的相应故障程度。
飞行器六自由度动力学仿真模型,优选为:基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型,该模型具体如下。
飞行器为质量约90kg的火箭。其控制系统组成框图如图5所示。制导、姿控按照PID控制律进行设计。
发动机最大摆角:10度。
飞行器总体数据取值如下表:
总体数据表(10kg燃油)
坐标系定义:
目标相对坐标系(T系)
以目标点OT为坐标原点,OTYT与目标点当地重力方向相反,OTXT轴与OYT轴垂直并指向起飞点方向,OTZT与OTXT轴、OXTYT轴构成右手坐标系,目标相对坐标系OXTYTZT随地球自转而旋转。
箭体坐标系(b系)
坐标原点O为火箭的质心,OXb轴沿火箭纵轴指向头部,OYb在火箭纵相对称面内,垂直于纵轴向上,OZb轴与OXb、OYb轴构成右手坐标系。
坐标系转移矩阵如下:
仿真模型用到的变量符号作以下定义:
t:飞行时间,起飞时刻t=0s;
τ:制导控制周期,τ=10ms。
Vx、Vy、Vz:目标系XT、YT、ZT三个方向的速度,单位:m/s;;
x、y、z:目标系XT、YT、ZT三个方向的位置,单位:m;;
gx、gy、gz:目标系XT、YT、ZT三个方向的重力加速度,单位:m/s2;
Jx、Jx、Jx:目标系XT、YT、ZT三个方向的转动惯量,单位:Kg*m2
飞行器控制系统组成框图如图所示。制导、姿控按照PID控制律进行设计。
由于飞行器为短时间、低高度、低速度飞行,因此考虑平坦、静止大地,引力加速度按常值计算。在OXTYTZT坐标系下的质心运动方程:
箭体系视加速度方程:
上式中,Wx、Wy、Wz为目标系下的XT、YT、ZT三个方向的视加速度;Wx1、Wy1、Wz1为箭体坐标系下的Xb、Yb、Zb三个方向的视加速度。Fx1、Fy1、Fz1为箭体坐标系下的Xb、Yb、Zb三个方向的主推力。
质量变化方程:
式中,RF为燃油消耗率。
燃料消耗率可根据推力指令按照下表关系进行线性插值,超出下表范围的使用线性外推。
燃料消耗率数据
绕心运动方程:
上式中,Mx1、My1、Mz1为箭体坐标系下Xb、Yb、Zz三个方向的合力矩,ωx1、ωy1、ωz1为箭体坐标系下Xb、Yb、Zz三个方向的角速度。
气动力和力矩计算:
上式中,式中,为弹体系质心相对气流的三轴相对速度,为空速大小。分别为箭体系下Xb、Yb、Zz三个方向的风速与飞行器飞行速度的和。其中,目标系下XT、YT、ZT三个方向的风速fx、fy、fz计算公式如下:
fx=-Vwind cos(Awind-π)
fy=0
fz=-Vwind sin(Awind-π)
上式中,Awind是风向。在进行批量仿真时,常常设置8个方向的风。为便于标记,约定:
风向0:Aw为0度
风向1:Aw为45度
……
风向7:Aw为315度
Vwind是风速,仿真取0-5m/s。
攻角α、侧滑角β:
动压q:
ρ为当前高度时的大气密度。
气动力包括轴向力Rxv、法向力Ryv、侧向力Rzv,按下式计算:
Rxv=-CxqSM
具体气动参数根据实际飞行器计算给出。
引力加速度方向为铅垂向下,大小为:
g0=9.80665m/s2
在目标系下分解为gx、gy、gz。
此处合力包含推力、气动力,不包含引力。
Fx1=Rx1+Px1
Fy1=Ry1+Py1
Fz1=Rz1+Pz1
初始位置:x=0m,y=0m,z=0m
初始速度:vx=0m/s,vy=0m/s,vz=0m/s
初始姿态角速度为0。
发动机最大摆角:10度。
发动机在图6四个象限的实际角度A1y、A1z、A2y、A2z:
两台发动机x1向推力P1x1、P2x1分别为:
P1x1=P1 cos(A1y)cos(A1z)
P2x1=P2 cos(A2y)cos(A2z)
上式中,P1、P2分别为两台发动机的推力指令。
两台发动机y1向推力P1y1、P2y1分别为:
P1y1=-P1 sin(A1y)cos(A1z)
P2y1=-P2 sin(A2y)cos(A2z)
两台发动机z1向推力P1z1、P2z1分别为:
P1z1=-P1 sin(A1z)
P2z1=-P2 sin(A2z)
两台发动机箭体系下Xb、Yb、Zz三个方向的合力Px1、Py1、Pz1分别为:
箭体系下Xb、Yb、Zb三个方向的控制力矩:
姿态角计算:
(2)设定各个仿真偏差组合,将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中,进行步骤(3),优选方案具体如下:
偏差组合包含:质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。
本次试验中偏差组合取值优选如下:
按照此偏差组合可减小数据规模,同时尽可能拟合真实模型,保证了实际辨识精度。
(3)设定各个故障发生时刻与故障程度,将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中,优选方案具体如下:
两台发动机编号分别设为1、2。从起飞开始,取发生故障后2s与飞行结束时刻最小值作为仿真结束,每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30%-90%,间隔取10%;另一种方案设为单台故障发动机下降10%-30%,间隔取5%。
(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合,得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据,仿真数据包括:加速度、姿态角、姿态角偏差;加速度为(1)中所述目标系下XT、YT、ZT三个方向的加速度;姿态角为目标系下的俯仰角、偏航角、滚动角;姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存;
(5)将不同情况下的仿真数据进行截取,生成数据样本;根据故障发动机编号以及故障程度设计数据标签,并对每个数据样本打标签,优选方案具体如下:
训练样本截取流程为附图2,测试样本截取流程为附图3,图2、图3中横坐标t为飞行时刻,纵坐标表示获取的仿真数据,其可为加速度、姿态角或姿态角偏差,L为样本长度大小,I为两个相邻样本的重叠大小,tfault为故障注入时间,tend为仿真结束时间。
按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20,即180维状态量。
设t1到t2时间内共有n个样本,每个样本的长度为L,样本间的交叠长度为I,则:
对于第k个样本:设k=1,2,…,n,
第k个样本的起始行与终止行:
若截取正样本,则上式中:
t1=0
t2=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend为仿真结束时间。
本次试验中,各参数取值优选如下表:
参数类型 | 值 | 单位 |
L | 1 | s |
I | 0.8 | s |
t<sub>fault</sub> | 1-20s内每隔0.5s注入一次为单次仿真 | s |
t<sub>end</sub> | 实际上升段飞行结束时刻与t<sub>fault</sub>+2的最小值 | s |
步骤(5)将不同情况下的仿真数据进行截取,生成数据样本,优选方案为:设定避免正样本过多的算法,优选的算法流程参见附图4,采用该算法进行截取,生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻,且故障程度为当前偏差组合下的最后的档位。若是,则截取正样本与负样本;否则,只截取负样本。
标签0表示推力正常,即无故障情形;1-7分别为1号发动机下降30%-90%;8-14分别为2号发动机下降30%-90%,间隔取10%。
标签设置表格如下:
标签0表示推力正常,即无故障情形;1-5分别为1号发动机下降10%-30%;6-10分别为2号发动机下降10%-30%,间隔取5%。
标签设置表格如下:
(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中;其余部分中随机取一半数据样本放入测试集中,另一半放于验证集中。搭建BP神经网络,结构包含一个单隐层和输出层;单隐层共10个神经元,激活函数为Sigmoid函数;输出层的神经元个数为总的故障类别数,即步骤(5)中的总标签数,激活函数为softmax函数;层与层之间采用全连接方式,具体如下:
神经网络结构为两层,如图8所示:
层间的线性关系,优选为:
神经元输出:
a=σ(z)
其中:
m为本层的输入信号维数,亦即上一层输出维数
xi为输入信号,i=1,2,…,m
wi为权值
b为偏置
z为线性关系的结果,亦即激活函数的输入
σ为激活函数
a为神经元输出
所用神经网络包含一个单隐层,共10个神经元,激活函数为Sigmoid函数:
x为本层神经元的线性结果,使用参数α=1。
输出层共11个神经元,激活函数为softmax函数:
第j个神经元输出的计算公式,优选为:
k为输出层的神经元个数。
层与层之间采用全连接方式。
(7)训练优选采用交叉熵作为损失函数,采用梯度下降法进行神经网络参数的更新,更新神经网络的权值和偏置;将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练;训练采用梯度下降法进行网络参数的更新;采用验证集中的数据样本,对训练过程进行测试,当神经网络连续N次在验证集上样本误差不下降时,训练结束,得到训练结果;具体如下:
多分类的交叉熵表达式如下:
上式中,M为总类别数量;yc为指示变量,若输出类别与样本类别相同,则为1,否则为0;pc为输出类别属于c的预测概率。
(8)采用测试集中的数据样本,对训练结果进行测试,若满足要求,则将训练好的BP神经网络保存,进行步骤(9);若不满足,则调整步骤(6)搭建的BP神经网络,返回步骤(6);具体如下:
若测试准确率大于或等于90%,则保存训练的神经网络,若不满足,则调整步骤(6)中的神经网络隐层个数,或隐层中的神经元个数,重新进行训练。若多次调整后准备率仍未达到90%,则返回步骤(4),重新生成数据样本。
本次试验中测试精度为100%,其预测结果的混淆矩阵如图9所示。
(9)将步骤(8)中保存的BP神经网络嵌入飞行器控制计算机中,使用训练好的BP神经网络,进行故障在线辨识;具体如下:
飞行器在实际飞行过程中,将每1s内的每三个方向的加速度、姿态角、姿态角偏差,以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的BP神经网络,神经网络实时输出辨识结果,用于指导飞行控制决策。
本发明的技术方案是提供一种飞行器推力故障在线辨识方法。基于飞行过程中的控制系统信息,搭建适应的神经网络,并进行训练优化。将训练好的BP神经网络应用于飞行过程中的故障实时在线辨识。如图7所示。
进一步优选的具体实现步骤如下:
(1)根据真实飞行器和其所处的环境,构建飞行器六自由度动力学仿真模型,具体如下:
飞行器具有2台发动机,形成的推力合力为总推力,所处的环境为真实大气环境,考虑风扰、结构干扰、气动的影响;
飞行器六自由度动力学仿真模型,优选为:基于机器学习的飞行器推力故障在线辨识六自由度动力学仿真模型,该模型具体情况见上文具体方案(1)中所述。
(2)设定各个仿真偏差组合,将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中,进行步骤(3),具体如下:
偏差组合包含:质量、质心、转动惯量、风速、风向、推力线偏斜、发动机流量偏差等。
本次试验中偏差组合取值如下:
按照此偏差组合可减小数据规模,同时尽可能拟合真实模型,保证了实际辨识精度。
(3)设定各个故障发生时刻与故障程度,将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中,优选方案具体如下:
两台发动机编号分别设为1、2。从起飞开始,取发生故障后2s与飞行结束时刻最小值作为仿真结束,每等间隔0.5s设置一次故障发生时刻。故障程度一种方案设为单台故障发动机下降30%-90%,间隔取10%;另一种方案设为单台故障发动机下降10%-30%,间隔取5%。
(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合,得到飞行器六自由度动力学仿真模型在不同情况下的仿真数据,仿真数据包括:加速度、姿态角、姿态角偏差;加速度为(1)中所述目标系下XT、YT、ZT三个方向的加速度;姿态角为目标系下的俯仰角、偏航角、滚动角;姿态角偏差为目标系下俯仰角偏差、偏航角偏差、滚转角偏差。将不同情况下的仿真数据进行保存;优选方案具体如下:
优选的特征量属性如下表:
(5)将不同情况下的仿真数据进行截取,生成数据样本;根据故障发动机编号以及故障程度设计数据标签,并对每个数据样本打标签,优选方案具体如下:
训练样本截取流程为附图2,测试样本截取流程为附图3,图2、图3中横坐标t为飞行时刻,纵坐标y表示获取的仿真数据,其可为加速度、姿态角或姿态角偏差,L为样本长度大小,I为两个相邻样本的重叠大小,tfault为故障注入时间,tend为仿真结束时间。
按飞行完整数据中每1s内每隔50ms取此期间段内20个时刻点的加速度、姿态角、姿态角偏差共9维信息作为训练数据。每组数共9*20,即180维状态量。
设t1到t2时间内共有n个样本,每个样本的长度为L,样本间的交叠长度为I,则:
对于第k个样本:设k=1,2,…,n,
第k个样本的起始行与终止行:
若截取正样本,则上式中:
t1=0
t2=tfault
若截取正样本,则上式中:
t1=tfault
t2=tend
其中,tfault为故障注入时间,tend为仿真结束时间。
本次试验中,各参数取值如下表:
参数类型 | 值 | 单位 |
L | 1 | s |
I | 0.8 | s |
t<sub>fault</sub> | 1-20s内每隔0.2s注入一次为单次仿真 | s |
t<sub>end</sub> | 实际上升段飞行结束时刻与t<sub>fault</sub>+2的最小值 | s |
步骤(5)将不同情况下的仿真数据进行截取,生成数据样本,优选方案为:设定避免正样本过多的算法,优选的算法流程参见附图4,采用该算法进行截取,生成数据样本。判断故障注入时刻是否为当前偏差组合下最后的时刻,且故障程度为当前偏差组合下的最后的档位。若是,则截取正样本与负样本;否则,只截取负样本。
标签0表示推力正常,即无故障情形;1-7分别为1号发动机下降30%-90%;8-14分别为2号发动机下降30%-90%,间隔取10%。
标签设置表格如下:
标签0表示推力正常,即无故障情形;1-5分别为1号发动机下降10%-30%;6-10分别为2号发动机下降10%-30%,间隔取5%。
标签设置表格如下:
(6)将(5)中所有数据样本中2/3以上的数据样本放入训练集中;其余部分中随机取一半数据样本放入测试集中,另一半放于验证集中。搭建BP神经网络,结构包含一个单隐层和输出层;单隐层共10个神经元,激活函数为Sigmoid函数;输出层的神经元个数为总的故障类别数,即步骤(5)中的总标签数,激活函数为softmax函数;层与层之间采用全连接方式,具体如下:
神经网络结构为两层,如图2所示:
层间的线性关系,优选为:
神经元输出:
a=σ(z)
其中:
m为本层的输入信号维数,亦即上一层输出维数
xi为输入信号,i=1,2,…,m
wi为权值
b为偏置
z为线性关系的结果,亦即激活函数的输入
σ为激活函数
a为神经元输出
所用神经网络包含一个单隐层,共10个神经元,激活函数为Sigmoid函数,优选为:
x为本层神经元的线性结果,使用参数α=1。
输出层共11个神经元,激活函数为softmax函数
第j个神经元输出的计算公式,优选为:
k为输出层的神经元个数。
层与层之间采用全连接方式。
(7)训练采用交叉熵作为损失函数,采用梯度下降法进行神经网络参数的更新,更新神经网络的权值和偏置;将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练;训练采用梯度下降法进行网络参数的更新;采用验证集中的数据样本,对训练过程进行测试,当神经网络连续6次在验证集上样本误差不下降时,训练结束,得到训练结果;具体如下:
多分类的交叉熵表达式,优选如下:
上式中,M为总类别数量;yc为指示变量,若输出类别与样本类别相同,则为1,否则为0;pc为输出类别属于c的预测概率。
(8)采用测试集中的数据样本,对训练结果进行测试,若满足要求,则将训练好的BP神经网络保存,进行步骤(9);若不满足,则调整步骤(6)搭建的BP神经网络,返回步骤(6);具体如下:
若测试准确率大于或等于90%,则保存训练的神经网络,若不满足,则调整步骤(6)中的神经网络隐层个数,或隐层中的神经元个数,重新进行训练。若多次调整后准备率仍未达到90%,则返回步骤(4),重新生成数据样本。
本次试验中测试精度为100%,其预测结果的混淆矩阵如图9所示。
(9)将步骤(8)中保存的BP神经网络嵌入飞行器控制计算机中,使用训练好的BP神经网络,进行故障在线辨识;具体如下:飞行器在实际飞行过程中,将每1s内的每三个方向的加速度、姿态角、姿态角偏差,以间隔0.2s滑窗形式输入嵌入飞行器控制计算机中的BP神经网络,神经网络实时输出辨识结果,用于指导飞行控制决策。
图10、图11为某次飞行故障辨识结果。通过对数据分析,可准确识别出是否有故障以及推力下降的单台发动机,辨识实时性在故障稳定后2s内,两台发动机推力相差值辨识误差在10%内。
Claims (10)
1.一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于步骤如下:
(1)根据真实飞行器和其所处的环境,构建飞行器六自由度动力学仿真模型;
(2)设定各个仿真偏差组合,将设定的仿真偏差组合输入步骤(1)构建的飞行器六自由度动力学仿真模型中;进行步骤(3);
(3)设定各个故障发生时刻与故障程度,将设定的故障发生时刻与故障程度输入步骤(1)构建的飞行器六自由度动力学仿真模型中;
(4)将步骤(2)设定的仿真偏差组合与步骤(3)设定的各个故障发生时刻与故障程度进行排列组合,得到飞行器六自由度动力学仿真模型在不同组合情况下的仿真数据,仿真数据包括:加速度、姿态角、姿态角偏差;将不同组合情况下的仿真数据进行保存;
(5)将不同组合情况下的仿真数据进行截取,生成数据样本;根据故障发动机编号以及故障程度设计数据标签,并对每个数据样本打标签;
(6)随机取(5)中打完标签的数据的大部分以上划分为训练集,其余部分随机取一半划分验证集,另一半划分为测试集;搭建BP神经网络;
(7)将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练;采用验证集中的数据样本,对训练过程进行测试,当神经网络连续N次在验证集上样本误差不下降时,训练结束,得到训练结果;
(8)采用测试集中的数据样本,对训练结果进行测试,若满足要求,则将训练好的BP神经网络保存,进行步骤(9);若不满足,则调整步骤(6)搭建的BP神经网络,返回步骤(6);
(9)将步骤(8)中保存的BP神经网络嵌入飞行器控制计算机中,使用训练好的BP神经网络,进行故障在线辨识。
2.根据权利要求1所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:搭建的BP神经网络,结构包含一个单隐层和输出层。
3.根据权利要求2所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:单隐层共10个神经元,激活函数为Sigmoid函数。
4.根据权利要求2所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:输出层的共11个神经元。
5.根据权利要求4所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:输出层神经元个数为总的故障类别数,即步骤(5)中的总标签数,激活函数为softmax函数。
6.根据权利要求2所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:层与层之间采用全连接方式。
7.根据权利要求2所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:步骤(6)随机取(5)中打完标签的数据的大部分以上划分为训练集,具体为:随机取(5)中打完标签的数据的2/3以上划分为训练集。
8.根据权利要求1所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:步骤(7)将步骤(5)中所述训练集中的数据样本,输入步骤(6)搭建的BP神经网络,进行训练,具体如下:
训练采用交叉熵作为损失函数,采用梯度下降法进行神经网络参数的更新,更新神经网络的权值和偏置。
9.根据权利要求1所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:考虑飞行器质心运动、扰心运动、结构干扰、气动力及力矩因素,建立飞行器六自由度动力学仿真模型,生成可信的数据样本,对BP神经网络进行训练。
10.根据权利要求1所述的一种基于BP神经网络的飞行器推力故障在线辨识方法,其特征在于:建立的BP神经网络为轻量神经网络,所需计算资源小,能够嵌入现有飞行控制计算机,进行飞行过程中的故障实时辨识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076043.3A CN111176263B (zh) | 2020-01-23 | 2020-01-23 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076043.3A CN111176263B (zh) | 2020-01-23 | 2020-01-23 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176263A true CN111176263A (zh) | 2020-05-19 |
CN111176263B CN111176263B (zh) | 2023-04-14 |
Family
ID=70658206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076043.3A Active CN111176263B (zh) | 2020-01-23 | 2020-01-23 | 一种基于bp神经网络的飞行器推力故障在线辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176263B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666672A (zh) * | 2020-06-01 | 2020-09-15 | 北京航天自动控制研究所 | 一种针对小推力发动机推力下降故障的能力评估方法 |
CN112182773A (zh) * | 2020-10-16 | 2021-01-05 | 北京航天自动控制研究所 | 一种基于线性调频z变换的飞行器舵机故障在线辨识方法 |
CN112269031A (zh) * | 2020-10-22 | 2021-01-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于神经网络的旋翼无人机实时风速估计方法 |
CN115167147A (zh) * | 2022-08-09 | 2022-10-11 | 南京航空航天大学 | 一种基于推力残差估计的蜂群无人机分布式故障诊断方法 |
US11550682B2 (en) | 2020-10-20 | 2023-01-10 | International Business Machines Corporation | Synthetic system fault generation |
CN115688288A (zh) * | 2023-01-05 | 2023-02-03 | 西北工业大学 | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US20100152925A1 (en) * | 2007-12-18 | 2010-06-17 | Airbus France | Method and device for detecting oscillatory failures in a position servocontrol subsystem of an aircraft control surface |
CN103105850A (zh) * | 2013-01-30 | 2013-05-15 | 南京航空航天大学 | 一种近空间飞行器故障诊断与容错控制方法 |
CN103149928A (zh) * | 2013-03-24 | 2013-06-12 | 西安费斯达自动化工程有限公司 | 飞行器大迎角运动三元数模型的故障诊断和容错控制方法 |
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
CN105629946A (zh) * | 2014-11-21 | 2016-06-01 | 特莱丽思环球有限合伙公司 | 用于识别飞行器中的故障的系统和方法 |
US20170146976A1 (en) * | 2015-11-25 | 2017-05-25 | United Technologies Corporation | Fault detection methods and systems |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
-
2020
- 2020-01-23 CN CN202010076043.3A patent/CN111176263B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5919267A (en) * | 1997-04-09 | 1999-07-06 | Mcdonnell Douglas Corporation | Neural network fault diagnostics systems and related method |
US20100152925A1 (en) * | 2007-12-18 | 2010-06-17 | Airbus France | Method and device for detecting oscillatory failures in a position servocontrol subsystem of an aircraft control surface |
CN103105850A (zh) * | 2013-01-30 | 2013-05-15 | 南京航空航天大学 | 一种近空间飞行器故障诊断与容错控制方法 |
CN103149928A (zh) * | 2013-03-24 | 2013-06-12 | 西安费斯达自动化工程有限公司 | 飞行器大迎角运动三元数模型的故障诊断和容错控制方法 |
CN103995529A (zh) * | 2014-05-20 | 2014-08-20 | 西南交通大学 | 一种旋翼飞行器机械安装故障在线诊断方法 |
CN105629946A (zh) * | 2014-11-21 | 2016-06-01 | 特莱丽思环球有限合伙公司 | 用于识别飞行器中的故障的系统和方法 |
US20170146976A1 (en) * | 2015-11-25 | 2017-05-25 | United Technologies Corporation | Fault detection methods and systems |
CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
CN109696090A (zh) * | 2019-01-16 | 2019-04-30 | 哈尔滨工业大学 | 一种针对运载火箭\导弹的在线单发推力辨识方法 |
Non-Patent Citations (3)
Title |
---|
YUNNHON LO: "Application of Fault Management theory to the quantitative selection of a launch vehicle Abort Trigger suite", 《2014 INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT》 * |
王志祥: "基于六自由度动力学模型的火箭推力下降故障仿真", 《载人航天》 * |
王硕: "基于惯组信息的运载火箭主发动机推力故障在线辨识", 《航天控制》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111666672A (zh) * | 2020-06-01 | 2020-09-15 | 北京航天自动控制研究所 | 一种针对小推力发动机推力下降故障的能力评估方法 |
CN111666672B (zh) * | 2020-06-01 | 2023-11-14 | 北京航天自动控制研究所 | 一种针对小推力发动机推力下降故障的能力评估方法 |
CN112182773A (zh) * | 2020-10-16 | 2021-01-05 | 北京航天自动控制研究所 | 一种基于线性调频z变换的飞行器舵机故障在线辨识方法 |
US11550682B2 (en) | 2020-10-20 | 2023-01-10 | International Business Machines Corporation | Synthetic system fault generation |
CN112269031A (zh) * | 2020-10-22 | 2021-01-26 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于神经网络的旋翼无人机实时风速估计方法 |
CN112269031B (zh) * | 2020-10-22 | 2022-05-10 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 基于神经网络的旋翼无人机实时风速估计方法 |
CN115167147A (zh) * | 2022-08-09 | 2022-10-11 | 南京航空航天大学 | 一种基于推力残差估计的蜂群无人机分布式故障诊断方法 |
CN115167147B (zh) * | 2022-08-09 | 2023-04-18 | 南京航空航天大学 | 一种基于推力残差估计的蜂群无人机分布式故障诊断方法 |
CN115688288A (zh) * | 2023-01-05 | 2023-02-03 | 西北工业大学 | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111176263B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176263B (zh) | 一种基于bp神经网络的飞行器推力故障在线辨识方法 | |
CN111258302B (zh) | 一种基于lstm神经网络的飞行器推力故障在线辨识方法 | |
CN111221345B (zh) | 一种基于决策树的飞行器动力系统故障在线辨识方法 | |
CN109696830B (zh) | 小型无人直升机的强化学习自适应控制方法 | |
Lu et al. | Real-time simulation system for UAV based on Matlab/Simulink | |
CN112348124B (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
CN111638654B (zh) | 一种故障自适应的运载火箭智能控制半实物仿真方法 | |
CN104570736B (zh) | 一种星‑臂耦合系统的动力学参数在轨辨识方法和装置 | |
CN111753464B (zh) | 一种无人直升机模型在线学习方法及系统 | |
CN111240304B (zh) | 一种用于飞行器推力故障在线辨识的机器学习样本生成方法 | |
CN110262448A (zh) | 具有状态限制的高超声速飞行器升降舵故障容错控制方法 | |
CN114721266B (zh) | 飞机舵面结构性缺失故障情况下的自适应重构控制方法 | |
Wang et al. | Hybrid modeling based double-granularity fault detection and diagnosis for quadrotor helicopter | |
CN111830848A (zh) | 一种无人机超机动飞行性能仿真训练系统及方法 | |
CN113221237B (zh) | 一种基于降阶建模的大迎角颤振分析方法 | |
CN211685678U (zh) | 一种多旋翼无人机实时尾迹的仿真分析系统 | |
CN115407294B (zh) | 面向双站雷达体制的飞机动态雷达散射截面仿真方法 | |
CN114815878B (zh) | 基于实时优化和深度学习的高超声速飞行器协同制导方法 | |
CN113655808B (zh) | 用于集群的有限时间自主编队控制方法及控制系统 | |
CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
CN116360258A (zh) | 基于固定时间收敛的高超声速变形飞行器抗干扰控制方法 | |
Eroglu et al. | Deep recurrent and convolutional networks for accelerated fault tolerant adaptive flight control under severe failures | |
Wang et al. | Attitude controller design based on deep reinforcement learning for low-cost aircraft | |
Zhou et al. | Control of a tail-sitter VTOL UAV based on recurrent neural networks | |
CN113741491A (zh) | 一种基于故障诊断结果的x型四旋翼无人机控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |